👗Styler: Funktion um “unschön” formatierten Code leserlicher zu machen. 👉 Hands On!
Wiederholung: Benennung von Variablen ect. in R
Namen können aus Buchstaben, Zahlen und Zeichen (_ oder .) bestehen
Er muss mit Buchstaben begonnen werden und darf keine Leerzeichen beinhalten
Sonderzeichen und Großbuchstaben sollten vermieden werden Keine Namen verwenden, die schon an Funktionen vergeben sind (z.B. mean())
Empfehlung für einen leserlichen Code: snake_case
Name soll Variable inhaltlich bestmöglich beschreiben
Reproduzierbarkeit; „clarity instead of brevity“
Benennung am besten in Englisch um internationalen Standards zu folgen
Kommentierung von R-Code mit #
Text nach # wird ignoriert (für 1 Zeile)
Neue Zeilen müssen wieder mit # beginnen
Weitere Style Konventionen:
Leerzeichen:
Vor und nach mathematischen Operatoren: 2+2 vs 2 + 2
Vor und nach Zuweisungen: x<-sum(1+2) vs x <- sum(1 + 2)
Aber nicht vor und nach sich öffnenden oder schließenden Klammern oder Anführungszeichen
Nach Kommas (aber nicht davor)
Weitere Leerzeichen erlaubt wenn die Leserlichkeit erhöht wird (z.B. bei Einrückungen)
Verwendung des Pipe Operators (%>% oder |> ) –> Erklärung folgt in kommenden Wochen!
Zeilenumbrüche für langen Code verwenden
this_is_a_very_long_function_name <- (something ="this", requires ="many", arguments ="long words and sentences") #–> badthis_is_a_very_long_function_name <- (something ="this", requires ="many", arguments ="long words and sentences") #–> good
Styler: Funktion die Code automatisch in dieses Format bringt. 👉 Hands On!
Weitere Style Konventionen:
📖 Lesbarkeit für Menschen und Maschine
🧑💻 Für Menschen: Verwende aussagekräftige Dateinamen, die klar beschreiben, was in der Datei enthalten ist.
💻 Für Maschinen: Vermeide Leerzeichen, Sonderzeichen und Symbole in Dateinamen – bleibe bei Buchstaben, Zahlen und Unterstrichen.
🔢 Struktur: Benenne Dateien so, dass sie auch mit der Standard-Sortierung von Ordnern sinnvoll angeordnet werden. Ein bewährter Ansatz ist, mit Zahlen zu beginnen, um eine logische Reihenfolge abzubilden.
Codebook
Naive Personen sollen Datensatz nachvollziehen können (Reproduzierbarkeit & Zusatzanalysen)
Beinhaltet eine Liste und Beschreibung aller Variablen, z.B.
Wie wurde die Variable erhoben (z.B. aus welchem Fragebogen)?
Wie wurde die Variable berechnet (z.B. Summenscore, Mittelwert)?
Welche Werte kann die Variable annehmen (theoretisches Minimum und Maximum)?
Wichtige Grundsätze für das Codebook
Am besten für Rohdaten als auch weiter-verarbeitete Daten
Variablennamen in Codebook sollen identisch zu Variablennamen in Datensatz sein
Variable muss ausführlich genug beschrieben sein, sodass andere Personen es nachvollziehen können
Codebook: Vorlage
Kann in verschiedenen Formaten erstellt werden (Word, Excel, ect.)
Excel-Vorlage für das Seminar (siehe ZIP Datei Abschlussprojekt)
Beispiel: “Example_Codebook” - Ordner
Für weitere Anleitungen siehe “Guideline Codebook”
Siehe auch: Pennington (2023)
Rohdaten für Grinschgl et al. (2020)
Bereits vorhanden in euren Ordnern (r_you_ready)
Wir mergen diese heute oder in EH4 zu einem vollständigen Datensatz –> dat_full
Codebook
Notwendig für „gemergten“ Datensatz „dat_full“
Vorlage ist auf Englisch, kann aber auch auf Deutsch ausgefüllt werden (selbes gilt für Datenanalyseplan)
Basierend auf Horstmann et al. (2020)
Abgabe bis EH6 (22.10) über ILIAS und via Email an Peer-Partner:in
Danach Peer Feedback
Beispiel Codebook BFI
Demo Beispiel:
Wir fügen nun live einige Variablen in das Codebook ein. Versucht die Schritte nachzuvollziehen und stellt Fragen bei Unklarheiten.
Reproduzierbare Auswertung: Grundsätze
Digitale Rohdaten
Skript soll den gesamten Weg von den Rohdaten bis hin zu den Ergebnissen dokumentieren
Wenn man euren Code auf den Rohdaten laufen lässt, sollte man (fehlerfrei) zu den Ergebnissen kommen
Skript ist kommentiert und sinnvoll gegliedert
Hands on!
Projekte
Daten einlesen
Daten speichern
Fortsetzung Coding Basics
Heute haben wir…
… Uns mit den Grundlagen von Forschungsdatenmanagement beschäftigt
… Psych-DS als einen Standard kennengelernt
…Style-Empfehlungen für R Code besprochen
…die Gründe für und den Aufbau von einem Codebook besprochen
…Datensätze in R importiert
…diese gemerged und exportiert (Fortsetzung in EH 4)
Hausübungen
Codebook erstellen bis Mi 22.10.2025
Reminder: Datenanalyseplan bis Mi 08.10.2025
Literatur:
Horstmann, K. T., Arslan, R. C., & Greiff, S. (2020). Generating Codebooks to Ensure the Independent Use of Research Data: Some Guidelines. European Journal of Psychological Assessment, 36(5), 721–729. https://doi.org/10.1027/1015-5759/a000620
Pennington, C. R. (2023). A student’s guide to open science: Using the replication crisis to reform psychology. McGraw Hill.
